바이브 코딩 시대를 위한 AI 요구공학 커리큘럼
AI 기반 요구공학 교육 커리큘럼
AI 활용으로 인한 변화와 요구공학 기반 AI협업 전략을 다루며, 요구분석부터 운영/관리까지
전체 흐름 개관과 탐색적 요구공학 실천법을 목표로합니다.
Day 1-1
AI 시대의 요구 분석: 탐색적 요구공학 실천
교육 내용
- AI 코딩 도구의 현실과 한계 인식
- 탐색적 요구공학 프레임워크
- 맥락 중심 프롬프트 구성법
활용 도구
Deep Research, ChatGPT, Jira AI
Day 1-2
설계 (아키텍처 & 도메인 모델링)
교육 내용
- AI 협업 아키텍처 설계
- DDD 이벤트 스토밍 기법
- Clean Architecture 적용
활용 도구
MSAEZ, Cursor IDE, ChatGPT
Day 1-3
구현 (개발 및 코딩)
교육 내용
- 맥락 중심 AI 페어 프로그래밍
- Agentic 코딩 실습
- 클린 코드 & 리팩토링
활용 도구
GitHub Copilot, Cline, OpenAI Codex
Day 2-1
테스트 (테스트 및 QA)
교육 내용
- 요구사항 기반 자동 테스트 생성
- AI-TDD 실현
- AI QA 보조 시스템
활용 도구
QodoAI, Playwright, Diffblue Cover
Day 2-2
운영 (배포, 모니터링)
교육 내용
- 요구사항 기반 CI/CD 자동화
- AIOps 지능형 운영
- 요구사항 기반 지식 관리
활용 도구
MSAEZ, Harness.io, Datadog AI
Day 2-3
AI 시대 프로젝트 관리: 요구공학 중심 접근
교육 내용
- 목표 기반 점진적 구현
- 요구-테스트-코드 추적성 관리
- AI 협업 품질 관리
활용 도구
Jira AI, MS Copilot, Notion AI
세부 커리큘럼
-
Day 1-1AI 시대의 요구 분석: 탐색적 요구공학 실천
-
- AI 코딩 도구의 현실과 한계: GitHub 연구 결과 (55% 속도 향상 vs 40% 보안 취약점), GitClear 분석 (AI 도입 후 copy-paste 코드 급증), 추적성 부족 문제를 통해 명확한 목적과 맥락의 중요성 인식
- 탐색적 요구공학 프레임워크: 전통적 '완벽한 사전 계획' 방식의 한계를 넘어 '계획'에서 '탐색과 피드백'으로 전환. 비즈니스 목표(초기 명확화), 기능 요구사항(점진적 구체화), 제약조건, 맥락의 구분과 활용법
- AI 협업 실천 전략: 맥락 중심 프롬프트 구성법, 점진적 구현과 피드백 루프, 명확한 검증 기준 사전 정의를 통한 AI와의 효과적 협업 방안 도출
-
Day 1-2설계 (아키텍처 & 도메인 모델링)
-
- 요구공학 기반 AI 설계: 마이크로서비스 아키텍처(MSA) 설계에 요구사항과 제약조건을 명확히 입력하여 AI 권고안을 활용. 비즈니스 목표를 바탕으로 최적의 설계 패턴이나 아키텍처 프레임워크를 추천받아 맥락에 부합하는 설계 도출
- 도메인 모델링: DDD 이벤트 스토밍 기법에 AI 협업을 도입. MSAez 도구를 통해 이해관계자와 온라인 이벤트 스토밍을 실시하고, 명확한 비즈니스 목표와 제약조건을 반영한 도메인 모델로 경계 컨텍스트를 식별
- Clean Architecture 적용: 요구사항 추적성을 고려한 AI 레이어드 아키텍처 템플릿 활용으로 의존성 규칙을 준수하면서 설계
-
Day 1-3구현 (개발 및 코딩)
-
- 맥락 중심 AI 페어 프로그래밍: OpenAI Codex/GPT 기반 코드 생성에 충분한 비즈니스 맥락과 제약조건을 제공하여 보일러플레이트 코드를 자동 작성하고, 개발자는 핵심 로직에 집중. 요구사항 추적이 가능한 코드 생성으로 품질 향상
- Agentic 코딩: 최신 AI 코딩 도구들의 멀티스텝 문제 해결 능력을 활용하되, 명확한 목표와 검증 기준을 사전 정의하여 계획 수립 → 코드 작성 → 테스트 실행 → 버그 수정까지 자율적으로 반복
- 클린 코드 & 리팩토링: AI 코드리뷰 기능으로 일관성 있는 코딩 스타일 유지 및 자동 리팩터링, 요구사항 대비 코드 품질 검증
-
Day 2-1테스트 (테스트 및 QA)
-
- 요구사항 기반 자동 테스트 생성: AI가 비즈니스 목표와 수용 기준을 바탕으로 단위 테스트부터 통합·시나리오 테스트까지 광범위한 테스트 케이스를 생성해 테스트 커버리지를 높임. 요구사항 추적이 가능한 테스트로 누락되는 경우를 줄임
- AI-TDD (Test-Driven Development): 명확한 검증 기준을 바탕으로 개발자가 테스트 코드를 작성하면 AI가 해당 테스트를 통과하는 코드를 생성하거나, 요구사항으로부터 테스트 코드를 먼저 제시해주는 AI-TDD 실현
- AI QA 보조 시스템: AI가 코드 변동을 실시간 모니터링하여 요구사항 대비 잠재 버그나 취약점을 즉각 지적
-
Day 2-2운영 (배포, 모니터링)
-
- 요구사항 기반 CI/CD 및 배포 자동화: AI가 비기능 요구사항(성능, 보안, 가용성)을 반영한 인프라 설정과 배포 스크립트를 자동 생성. MSAez는 요구사항이 반영된 설계 모델로부터 각 마이크로서비스의 Dockerfile, Kubernetes YAML, CI/CD 파이프라인을 즉시 생성
- - AIOps (지능형 운영): 운영 단계에서는 AI가 비즈니스 목표 달성 지표를 포함한 로그와 모니터링 지표를 지속 분석하여 이상 탐지 및 예측을 수행. 실시간 성능 저하나 장애 징후를 포착하면 자동 알림 및 롤백
- 요구사항 기반 지식 관리: AI가 릴리스 노트와 변경 내역을 요구사항 추적성과 연결하여 자동 문서화를 지원하고, 챗봇이 비즈니스 맥락을 이해한 사용자 문의 대응이나 운영 매뉴얼 제공
-
Day 2-3AI 시대의 프로젝트 관리: 요구공학 중심 접근
-
- 목표 기반 점진적 구현 프로세스: PM 단계에서 AI는 명확한 비즈니스 목표를 바탕으로 초기 인터뷰나 요구사항 설명을 토대로 초안 프로젝트 플랜이나 백로그를 자동 생성. 요구사항 중심의 프로젝트 챠터나 에픽 작성으로 기획 속도 향상. 탐색적 요구공학 사이클(목표 설정→제약 식별→반복적 탐색→지속적 검증) 적용
- 요구-테스트-코드 추적성 관리: 요구사항 ID를 소스 코드 커밋과 테스트 케이스에 연결하여 AI가 생성한 결과물도 원래 요구사항과의 연결고리 확보. 요구사항 변경 시 관련 코드와 테스트를 빠짐없이 업데이트하는 변경 관리 절차 확립
- AI 협업 품질 관리: AI 분석으로 산출한 개발 Velocity, 결함률 등의 지표를 요구사항 충족도와 연계하여 정확한 리소스 산정. 피드백 루프 최적화(주간 사이클: 목표 설정→AI 협업→검증→계획 수정)를 통한 지속적 품질 향상
교육을 신청하시거나 질문이 있으면 언제든지 연락 주세요.